看到这个聊天截图，你是不是感同身受，又或者说这是你正在经历的——广告投放效果不理想，领导发火，你只能卑微接受。

你可能会觉到委屈，明明身为一个运营人员，除了每天因为如何达到KPI而烦恼，还要为了如何做营销而发愁，就算自己使尽浑身解数，也花很多时间去分析数据，但结果往往差强人意。

为什么总是达不到效果？

你现在可以快速的思考一下，在运营的整个流程中，哪个方面对活动效果影响最大？

很多人都会本能觉得是预算制约了广告投放效果。

但事实是这样的吗？

我们之前对互联网行业运营岗位的从业者做了一个小范围的问卷调查。

结果显示，超60%的人认为在广告投放过程中，用户定位不准确是影响广告投放效果的主要问题。

可见，事实并非是我们想象中的样子，预算不一定是最主要的问题。

做SEM投放或信息流广告的广告优化师朋友们对此深有体会，他们账户中每天有几十万或上百万的投放预算消耗不出去也是常态。

用户范围的划分与选择才是更为关键的问题。

我的用户定位为什么会不准确？

这个问题也是老生常谈了，但运营者依然存在着两大困惑：

• 明明做广告投放时会根据平时积累的数据来进行分析，或根据行业经验来划分不同的人群包进行投放，但还是觉得人群定位并不准确；
  
• 感觉所规划的人群包逐渐没办法满足投放需求

之所以产生上述两类困惑的原因不外乎以下三个方面：

（1）人群选择的不够精准
（2）用户生命周期内的活动把握不足
（3）想要的用户追踪不到

问题1：人群选择该怎么选？

广告投放不是广撒网，ROI是很重要的一个衡量标准。

‘地域选择’、“广告人群包”、“千人千面”、“定向投放”，“再营销广告”，这些都是推广时所做的人群划分。

以谷歌系工具为例，我们会根据GA中不同人群的数据表现，或者不同的规则划分出不同人群，这样在Google Ads做再营销推广时，不同的广告素材、着陆页对应不同的人群包。

可做了这些努力，为什么感觉最终的ROI依然没有达到预期？

分析问题要抓源头，如果广告投放的人群包效果不好，就看看是否在人群包的选择上出了问题。

举一个常见例子：在电商网站，‘产生交易的用户’具有极高的价值，他们有一定的消费需求和消费能力，所以是重点维系的人群。在广告投放的时候，会不惜花重金吸引这部分用户到站再次消费。

我们了解到某知名快消品牌的官网商城，同样也在做面向‘已购买用户’的广告投放，但是广告效果却达不到预期水平。

在没经过分析之前，很难对此做出定论，当通过一定的数据对用户行为进行分析之后，发现网站上面约94%的用户在生命周期内只会产生一次消费，老用户的复购率非常低。

所以在制定投放策略的时候，把大量的精力与金钱花费在“老用户复购”上面显然有些徒劳。

找到了问题症结所在，应该如何调整解决？

很明显，他们更应该集中精力在如何提升用户复购的行为上面，例如发放优惠券、第二件半价、关联产品推荐等操作，而不仅是去寻找这部分可能产生复购行为的人群。

这里简单解释一下，上述例子里面用户交易频次表现、交易用户复购数据表现是不会在监测工具的报告中直接呈现的，需要通过底层原始数据进行处理、建模、分析，这样才能保证得出的结论是相对正确的。

所谓良方：

数据分析是做用户定位的首要步骤，但前提是具有足够的数据支撑，所谓巧妇难为无米之炊，全面的数据是获得准确结论的重要保障。

面对无处不在的数据时，我们想要查看不同的数据，就需要进入到不同的数据仓库，查看不同的数据源。

以电商公司为例，会有网站前端数据、App数据、CRM数据、订单系统数据、物流数据、会员数据等多方面的数据源。如果有线下门店还会涉及到各种留资数据、门店用户数据等不同的数据源，这些数据被锁定在不同的竖井（Data Silos,也被称为“数据孤岛”）中。

对数据进行整合时，要注意并不是单纯的将它们聚集在一起，因为如果不同数据源之间的数据彼此是孤立的，汇总到一起意义也不大，只有找到可以彼此串联的关键值，对数据分析才更有帮助。

所以，我们想要使用数据并不容易，需要花费大量的时间、精力去构建、维护数据，还要考虑存储与数据安全这类问题。

如果说域内打通、生态打通是数据整合的终极目标，那对于运营或营销人员来说，最应该整合哪些数据？

运营岗的工作内容大致分为以上四个模块（不同分类方式对于内容的划分可能会有所区别），术业有专攻，负责不同模块工作的人员自然关注不同的数据。

例如负责流量运营的部分，更关注渠道与平台的结合，广告投放在不同媒体的表现，引流至官网或App的效果；而负责用户运营的朋友可能更关注用户行为，用户属性等方面的数据。

结合运营工作的内容与关注点，可以大致总结为：渠道<->平台<->用户<->转化之间的串联数据，这样有助于辅助决策。

不同的运营岗位想要获得自己所关注的数据时，方法有很多种，国内的例如百度统计、国双、神策、铂金智慧等，国外的监测工具例如Google Analytics，Adobe Analytics等。

这里提醒大家一点，监测工具能提供或呈现出的报告种类都是固定和有限的，就算是Google Analytics这类强大的工具，可以提供报告上百种，也不可能说涵盖了所有的需求，所以底层数据是做定制化数据分析所必备的内容。

熟悉GA的朋友可能知道，想要拿到底层的原始数据做精细化与定制化的分析，需要升级到GA360才能实现，但每年15万美金的工具费用是一笔不小的开销。

难道没有既能使用免费版工具，同时又可获得底层数据，这种两者兼具的方法吗？

目前有一种相对便捷的方法：使用GA4与BigQuery进行关联来拿到不抽样的原始数据，这样可以汇总到公司内部的数据池中做分析、数据可视化，或者与公司系统做匹配，与国内营销平台（京东、天猫）数据做联动，又或者拿这些数据服务于自身业务，例如推荐系统、智能预测等等。

在此给出一点小建议，GA4中的网站数据流和应用数据流都是在创建之后才开始收集数据。所以即使目前不需要，也建议大家尽早创建，以便进行数据积累。

问题2：用户生命周期该怎么用？

不知道你有没有过这种经历，已经在其他平台上买完产品了，但还是会每天刷到同样的广告。

这其实就是利用生命周期的一种策略。

探索期、成长期、成熟期、衰退期，套用这4个生命周期模块，就可以找到用户在不同生命周期下的需求点：

进而针对用户总的生命周期进行分析，对用户所处的不同阶段制定有效策略。

以我们了解到某品牌网站的数据为例，它具有超60%的用户在初次到达网站时会产生交易行为，达成初次交易后的2周内产生复购行为的可能性最高，超过2周的话用户基本上就不会再回到网站了。所以这个网站的用户整体生命周期就非常短，从入站到流失一共2周的时间。

如果还是按照以往比较慢的广告投放频次或比较长的周期来进行推广的话，效果可能很难达到预期。

所以网站可能需要做出的对策主要集中在以下三个方面：

1）对于2周内产生过交易的用户，集中火力推广，刺激消费；
2）对于交易后2-4周的用户精细化选品，提供更多内容，增加福利，进一步培养用户意向；
3）对于即将流失的用户，控制预算。

所谓良方：

我们都听过“留住一个老用户的成本远比获取一个新用户的成本低”这句话，按照用户生命周期来划分用户的话，能够有效帮助掌握不同阶段的用户需求，从而制定运营策略。

GA4新增的生命周期模块中的4个报告，其实就对应了传统的AARRR营销模型，也就是获取->互动->转化->留存，它适用于分析用户生命周期、广告活动转化、营销效果评估等多个场景。

例如，在做618广告促销前，经常会准备不同的人群包，它们具有不同的用户特点，有的是年轻女性，有的则是游戏爱好者等等。

如果你的营销目标是获取更多新用户入站，那么根据日常筛选的规则进行投放是没问题的。

而如果你的营销目标是刺激会员转化，就需要考虑到用户所处的生命周期，通常情况下成长期与成熟期的用户购买力大于获客期与衰退期的用户。

问题3：用户追踪能做到么？

如何在茫茫人海中找到你想要的那个人？

熟悉广告投放的人可能很快就给出答案说借助于第三方Cookie。

没错，当我们在网站上进行一系列操作的时候，行为数据就会被写入到Cookie中，然后各大购物网站、广告商，会通过第三方Cookie收集你所在的城市，年龄、性别、浏览历史等，来判断你的兴趣喜好，为你推送精准的信息。

上图是我在访问新浪微博时，发现的存在指向域名http://mmstat.com的跟踪器，通过工信部网站可以查到它是阿里巴巴旗下的域名。这也就解释了为什么我们在浏览这些媒体的时候会被推送相对应的广告。

既然能这样操作，为什么还是会出现用户追踪不到的情况？

我们需要明确一点：Cookie是基于浏览器存在的！所以它有“认机不认人”、“换机就换新”、“清除禁用就失效”等特点。

在当下，用户普遍喜欢使用移动设备上网，但移动端不管是IMEI、IDFA还是UDID，都很难和PC端的Cookie做关联。

现在，越来越多的公司在建造自己的数据仓库，一方面用于后期全面的数据分析辅助决策，另一方面做更多的数据资产化与数据变现。

而数据资产化的第一步就是数据的打通与整合，但并不是所有公司都有足够的人力与物力去创建自己的数据仓库，或者说实现无缝衔接各方数据，这种时候就应该善于借助外力，选择一个有效的工具来帮助达到自己的目的。

所谓良方：

对于数据化营销来说，已经呈现出明显的移动设备与PC设备数据统一的趋势。

据《2020全球移动市场报告》数据显示，2020年智能手机用户达到35亿，约占世界总人口的45%，且预测2023年智能手机使用人数突破41亿；2020年国内网民人数约9.4亿，使用移动设备上网的比例高达99.2%。

这是什么概念？

就是说基本上所有使用电脑上网的网民同时会使用手机上网。

在这种大环境下，我们要做的当然是乘风破浪顺势而行。

实现App与Web数据统一的方式有很多，例如手动匹配，或自主研发，但可能大多数都需要耗费大量人力、物力。

如果精力和资源有限，但想享受数据统一带来的价值，目前最优解就是GA4这款工具，它是目前市面上唯一一款可以直接实现App与Web数据统一的工具，并且现在还处于免费阶段。

上述的问题我该从哪儿着手？

我们已经了解到，如果想要改善用户定位不准确的问题，需要从人群选择、生命周期、用户追踪几个方面来进行。

但是，这有一个大前提，就是你已经有了充足且完整的数据来支撑决策，如果你还没有充足的数据储备，或者说刚刚开始有这个想法，那建议先着手收集数据。

对于获取数据这件事，不同的运营工作者对选择监测工具有着不同的看法。

上述数据显示，90%以上的人都认为工具易用、方便上手操作是很重要的一方面，约60%的人则更偏向考虑数据安全性、能够衡量指标的全面性、数据整合方面的能力，同样超过一半的人会更倾向考虑工具的价格问题，像代码部署、热图、A/B测试等功能，占比都比较少。

我们所接触的品牌站中，使用GA和AA的比较多，如果不考虑监测工具费用方面的问题，GA和AA基本上可以满足你的所有需求，它们在报告种类、监测指标、底层数据、数据整合、数据营销方面的表现都可圈可点，尤其是对出海电商而言，更是不二选择。

如果你更重视监测工具的使用费用方面，或者在费用方面所受限制比较大，但也想实现更多定制化的功能、获取底层数据、进行数据整合等，可以尝试通过GA4实现。

GA4全名Google Analytics 4，是GA的升级版，建立在2019年发布的‘App+Web’的基础上，功能方面更顺应当下发展，换句话说它更面向未来。

那么在用户选择监测工具所重点考量的4个方面上，GA4的性能如何？

丨“工具易上手”

工具易用这个问题确实备受关注，因为它直接影响了数据使用者们的工作效率。

有关GA4的功能使用方面，可以点击进行查看：想快速学习GA新功能？你要的资料都在这儿了！

GA4在界面上继承了GA大部分的交互风格，但在数据可视化的效果呈现方面进行了优化，更符合当下网站设计的审美风格。

另外，尤为值得一提的是，GA4可以实现GTM直接部署，这对于运营人员来说非常有用，在活动着急的时候可以不用再等工程师的排期，自己上手就可以操作。

这就是谷歌系工具非常贴心的一点，高手可以有高手的玩法，小白也能有小白的操作。

丨“数据安全”

虽然数据安全性的问题排在了第二位，但其实它应该是我们首要考虑的问题，尤其在大数据时代，这一点至关重要。

5年内全球每天所产生的数据预计高达175ZB，约192万亿GB，大量产生的数据之下，也不乏涉及个人隐私、财产信息和行为信息等数据的运输与存储。

数据隐私已经成为各企业亟待解决的问题。

GA4同时谨遵《通用数据保护条例》（GDPR-国际通用的数据隐私保护法律）以及《加利福尼亚消费者隐私法》（CCPA）的声明，获得了ISO27001信息安全管理认证。

同时，谷歌在使用GA4数据时，也遵守数据隐私条款，采取用户至上的方法，把隐私安全作为对用户承诺的一部分，不会出售个人信息，并且通过“我的帐户”和其他一些功能也可以管理自己的帐户，从而为用户提供广告体验的控制权。

此外，根据谷歌的个性化广告政策，绝不会使用敏感信息来个性化广告。所以无需担心在使用谷歌的工具时，数据被随意收集使用。

丨“报告全面”

GA4作为GA与Firebase的升级版，在数据收集方面的多样性上自然更胜一筹，它更重视用户的参与度，所以新增了一些‘感兴趣的会话数’、‘互动时长’等指标。

需要额外说明的是，GA4在报告上有一项“增值”功能，就是高级分析模块，在之前这个功能是GA360（付费版）独有的。并且由于整合了App与Web端的数据，可用的报告模型也由原来的3个升级到了现在的12个模型。

举个例子，如果你想看‘从APP到网站再回到APP后产生了转化的用户数’，要是在2019年想实现这件事情是非常复杂的，而今年则完全可以借助GA4的路径报告来实现。

另外，用过用户路径报告的朋友都知道，之前查看的一些路径报告一般都是正向的，也就是说只能去分析用户到达你的网站或设备后，分别流向了哪里，但现在可以在GA4中使用逆向报告。

逆向报告的优势在于，如果你想优化或者分析用户在真正达成某个行为之前，可能做了什么；尤其在做运营分析时，很需要逆向思维-先确定好转化目标，再找互动分布，最终制定渠道和营销方案。

丨“价格”

免费！

That’s All.

写在最后的Tips:

（1）App数据与Web端数据统一已经是大势所趋，5G的到来则会更快推进这个趋势的发展，数据整合越早越好；

（2）不要觉得底层数据没有用，监测工具所提供的报告与分析方向是有限的，但你能分析的可以更多；

（3）GA4现在还处于免费使用的阶段，对于希望体验文中提到的各种使用场景的实际效果的从业者来说，现在是非常适合上手的时机，也可以借助这个零工具成本的时期，实际感受下一代在线数据分析产品对运营工作的满足度。